Badano powiększanie skali procesu wytrącania proszków przy użyciu dwutlenku węgla w stanie nadkrytycznym jako substancji zmniejszającej rozpuszczalność. Dokonano analizy procesu pod kątem etapów kluczowych i zaproponowano optymalne kryterium powiększania skali. Wybrane kryterium zweryfikowano doświadczalnie.
EN
Scale up of the supercritical fluid antisolvent precipitation process was investigated. Optimal scale up criterium was suggested based on process characteristics. Chosen criteria were then experimentally verified at laboratory scale, in a pilot plant and in a smal! manufacturing plant.
Badano rozpad kropel etanolu w dwutlenku węgla w stanie nadkrytycznym w dyszy koncentrycznej wykorzystywanej do produkcji proszków metodą wytrącania. W pracy rozpatruje się dwa mechanizmy rozpadu kropel: pierwszy wynika z różnicy pomiędzy prędkościami kropel i fazy ciągłej (na granicy faz powstają niestabilności Rayleigha-Taylora), drugi - z występowania naprężeń generowanych przez fluktuacje burzliwe prędkości płynu. Wyniki obliczeń zostały porównane z wynikami doświadczeń.
EN
Breakup of ethanol droplets in the supercriticaI carbon dioxide by a twin-fluid nozzle is considered in relation to powder production. Two mechanisms of drop breakup are considered: the first resulting from the volocity difference between the drop and the continuous phase (Rayleigh-Taylor instability) and the second one resulting from the stress generated by velocity fluctuations. Model predictions are compared with experimental results.
This paper serves as a tutorial on the use of neural networks for solving combinatorial optimization problems. It reviews the two main classes of neural network models : the gradient-based neural networks such as the Hopfield network, and the deformable template approaches such as the elastic net method and self organizing maps. In each class, the original model is presented, its limitations discussed, and subsequent developments and extensions are reviewed. Particular emphasis is placed on stochastic and chaotic variations on the neural network models designed to improve the optimization performance. Finally, the performance of these neural network models is compared and discussed relative to other heuristic approaches.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.